共同环境最终覆盖

目的

核对当前主张的证据范围；详见原文设置。

条件 / 口径

pilot 原有 40 任务×8 条，正式训练准入为 149 任务，相关开发子集为 39 任务。主评测官方500和封存holdout100保留固定分母；开发机制 pilot 不能冒充 holdout 效果。[R2][R6]

技术运行

已记录

科研有效性

限于来源范围

结果

500 题/1000 控制；raw 符合预期 995，strict 符合预期 862，报告二元 887，未决 113。

判断

这些是控制级覆盖；其中 20 个部分观测零、5 个预期差异仍保留。不是模型分数。[R5]

成本

按来源的输入、输出、服务时间与GPU小时口径阅读，未知不补零。

观察时间

2026-10-01 汇总更正；训练记录止于 09-28

关联日报：2026-09-30